본 논문은 2015년부터 2025년까지 심층 합성곱 신경망(CNN)의 발전 과정을 종합적으로 검토한 논문입니다. 1D, 2D, 3D 합성곱 모델, 팽창 및 그룹화 합성곱, 깊이 분리 가능 합성곱, 어텐션 메커니즘 등의 아키텍처 혁신과 공간-채널 활용, 다중 경로 설계, 특징 맵 향상 등의 구조적 개선을 통해 특징 표현과 계산 효율을 향상시킨 CNN의 발전을 다룹니다. 또한 푸리에 변환, 구조화된 변환, 저정밀 계산, 가중치 압축과 같은 효율적인 전처리 전략을 통해 추론 속도를 최적화하고 자원 제약 환경에서의 배포를 용이하게 하는 방법을 제시합니다. 얼굴 인식, 자세 추정, 행동 인식, 텍스트 분류, 통계적 언어 모델링, 질병 진단, 방사선 분석, 암호화폐 감정 예측, 1D 데이터 처리, 비디오 분석, 음성 인식 등 다양한 분야에서의 CNN 응용 사례를 체계적으로 검토하고, 소수 샷 학습, 제로 샷 학습, 약하게 감독된 학습, 연합 학습 프레임워크와 같은 새로운 학습 패러다임과 하이브리드 CNN-트랜스포머 모델, 비전-언어 통합, 생성 학습 등의 미래 연구 방향을 제시합니다. 마지막으로 CNN 아키텍처를 공간 활용, 다중 경로 구조, 깊이, 너비, 차원 확장, 채널 부스팅 및 어텐션 메커니즘을 기반으로 분류하는 통합 분류 체계를 제시합니다.
